Векторизация прямоугольных пространственных объектов на аэрокосмических изображениях с использованием преобразования Хафа
Ключевые слова:
данные дистанционного зондирования, автоматизированная векторизация, обработка изображений, преобразование ХафаАннотация
Статья посвящена методу обработки данных дистанционного зондирования, предназначенному для векторизации прямоугольных объектов по их ориентировочным положениям с автоматическим определением ориентации и соотношения сторон. В работе приведена формальная постановка задачи векторизации объекта заданной геометрической формы на изображении с использованием априорной информации о его пространственном положении. Метод позволяет создавать векторные представления прямоугольных геопространственных объектов по одной или нескольким устанавливаемым оператором опорным точкам и основан на кластеризации исходного изображения с использованием имеющихся спектральных каналов в качестве пространства признаков. Последующее преобразование Хафа использует локальное направление градиента яркости для оценки пространственной ориентации объекта и снижения вычислительной сложности преобразования, а также низкочастотную фильтрацию в процессе накопления значений для повышения робастности. Показана возможность модификации метода для обеспечения возможности векторизовать объекты любой аналитически задаваемой формы. При разработке метода учтены требования по минимизации времени векторизации для повышения комфорта работы оператора и обеспечения возможности предсказуемого контроля размера создаваемого векторного представления. Для экспериментального исследования разработанного метода использована тестовая выборка, содержащая более 700 объектов прямоугольной формы. В качестве критериев точности векторизации использованы средняя квадратическая ошибка позиционирования точек объекта, среднее угловое отклонение объекта в полярных координатах и коэффициент схожести площадных объектов Жаккара. Результаты эксперимента показывают снижение временных затрат на векторизацию на 2540% при использовании программной реализации разработанного метода без существенного снижения точности создаваемой картографической продукции.Литература
1. Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изо-бражений. // М.: Техносфера. 2013. 592 с.
2. Антонушкина С.В., Гуров В.С., Егошкин Н.А., Еремеев В.В. Зенин В.А., Князь-ков П.А., Побаруев В.И. Современные технологии обработки данных дистанцион-ного зондирования Земли. // М.: Физматлит, 2015. 460 с.
3. Blundell J.S., Opitz D.W. Object recognition and feature extraction from imagery: the Feature Analyst® approach // International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 2006. vol. 36.no. 4. pp. 42-47.
4. ENVI EX User’s Guide. URL: http://www.harrisgeospatial.com/portals/0/pdfs
/enviex/ENVI_EX_User_Guide.pdf (дата обращения 15.02.2018).
5. Manual for satellite data analysis eCognition developer. URL: http://open_jicareport.jica.go.jp/pdf/12150314_03.pdf (дата обращения 15.02.2018).
6. Комплекс автоматизированного дешифрирования и векторизации по данным ДЗЗ. URL: https://gisinfo.ru/products/automap.htm (дата обращения 15.02.2018).
7. Jebur M.N., Mohd Shafri H.Z., Pradhan B., Tehrany M.S. Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery // Geocarto International. 2014. vol. 29. no. 7. pp. 792-806.
8. Larose D.T. Discovering knowledge in data: an introduction to data mining. // John Wiley & Sons, 2014. 336p.
9. Iglovikov V., Mushinskiy S., Osin V. Satellite imagery feature detection using deep convolutional neural network: A Kaggle competition. arXiv:1706.06169. 2017. URL: https://arxiv.org/abs/1706.06169 (дата обращения 15.02.2018).
10. How we participated in SpaceNet three Road Detector challenge. And how we got into top 10. URL: https://spark-in.me/post/spacenet-three-challenge/ (дата обращения 15.02.2018).
11. Safe Passage: Detecting and Classifying Vehicles in Aerial Imagery. URL: https://www.datasciencechallenge.org/challenges/1/safe-passage (дата обращения 15.02.2018).
12. Игловиков В. Британские спутниковые снимки 2: как все было на самом деле. URL: https://habrahabr.ru/company/ods/blog/330118/ (дата обращения 15.02.2018).
13. Dstl Satellite Imagery Feature Detection. URL: https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection (дата обращения 15.02.2018).
14. Кузин А. Второе почетное. Заметки участника конкурса Dstl Satellite Imagery Feature Detection. URL: https://habrahabr.ru/company/avito/blog/325632/ (дата обра-щения 15.02.2018).
15. Lee K. Dstl Satellite Imagery Competition, 1st Place Winner's Interview. URL: http://blog.kaggle.com/2017/04/26/dstl-satellite-imagery-competition-1st-place-winners-interview-kyle-lee/ (дата обращения 15.02.2018).
16. Открытый конкурс на лучшее решение в области создания интеллектуальных тех-нологий дешифрирования видовой аэрокосмической информации. URL: http://fpi.gov.ru/activities/konkurs/spacemap (дата обращения 15.02.2018).
17. NOAA Fisheries Steller Sea Lion Population Count URL: https://www.kaggle.com/c/noaa-fisheries-steller-sea-lion-population-count (дата обращения 15.02.2018).
18. Kaggle: как наши сеточки считали морских львов на Алеутских островах. URL: https://habrahabr.ru/company/ods/blog/337548/ (дата обращения 15.02.2018).
19. Obusek F. Delineating rooftops in ERDAS IMAGINE. URL: https://www.youtube.com/watch?v=HBcPB6Agr5c (дата обращения 15.02.2018).
20. Blundell S., Opitz D. Morris M. Rao R. Feature analyst v5.0. // Proceedings of the ASPRS Annual Conference. 2008. pp. 28-37.
21. Ballard D.H. Generalizing the Hough transform to detect arbitrary shapes. // Pattern recognition. 1981. vol. 13. no. 2. pp. 111-122.
22. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера. 2005. 1072с.
23. Duda R.O., Hart P.E., Stork, D.G., Pattern classification. // John Wiley & Sons. 2000. 680p.
24. van Vliet L.J., Verbeek P.W. Edge localization by MoG filters: Multiple-of-Gaussians. // Pattern Recognition Letters. vol. 15. no. 5. 1994. pp. 485-496.
25. Burt P., Adelson E. The Laplacian pyramid as a compact image code. // IEEE Transactions on communications. vol. 31. no. 4. 1983. pp. 532-540.
26. Емельянов, С. Г., Кудряшов, Е. А., Мирошниченко, С. Ю., Титов, В. С. Методы и системы цифровой обработки аэрокосмических изображений. // Новосибирск, Нау-ка. 2012. 175с.
27. Ватутин Э.И., Мирошниченко С.Ю., Титов В.С. Программная оптимизация опера-тора Собела с использованием SIMD-расширений процессоров семейства x86. // Телекоммуникации, Т. 6. №. 12. 2006. С. 12–16.
28. MapInfo Pro – Desktop GIS. URL: https://www.pitneybowes.com/us/location-intelligence/geographic-information-systems/mapinfo-pro.html (дата обращения 15.02.2018).
29. NextGIS Data. Геоданные в форматах ESRI Shape, ESRI Geodatabase, GeoJSON, Mapinfo Tab, PDF. URL: https://data.nextgis.com/ru/ (дата обращения 15.02.2018).
2. Антонушкина С.В., Гуров В.С., Егошкин Н.А., Еремеев В.В. Зенин В.А., Князь-ков П.А., Побаруев В.И. Современные технологии обработки данных дистанцион-ного зондирования Земли. // М.: Физматлит, 2015. 460 с.
3. Blundell J.S., Opitz D.W. Object recognition and feature extraction from imagery: the Feature Analyst® approach // International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 2006. vol. 36.no. 4. pp. 42-47.
4. ENVI EX User’s Guide. URL: http://www.harrisgeospatial.com/portals/0/pdfs
/enviex/ENVI_EX_User_Guide.pdf (дата обращения 15.02.2018).
5. Manual for satellite data analysis eCognition developer. URL: http://open_jicareport.jica.go.jp/pdf/12150314_03.pdf (дата обращения 15.02.2018).
6. Комплекс автоматизированного дешифрирования и векторизации по данным ДЗЗ. URL: https://gisinfo.ru/products/automap.htm (дата обращения 15.02.2018).
7. Jebur M.N., Mohd Shafri H.Z., Pradhan B., Tehrany M.S. Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery // Geocarto International. 2014. vol. 29. no. 7. pp. 792-806.
8. Larose D.T. Discovering knowledge in data: an introduction to data mining. // John Wiley & Sons, 2014. 336p.
9. Iglovikov V., Mushinskiy S., Osin V. Satellite imagery feature detection using deep convolutional neural network: A Kaggle competition. arXiv:1706.06169. 2017. URL: https://arxiv.org/abs/1706.06169 (дата обращения 15.02.2018).
10. How we participated in SpaceNet three Road Detector challenge. And how we got into top 10. URL: https://spark-in.me/post/spacenet-three-challenge/ (дата обращения 15.02.2018).
11. Safe Passage: Detecting and Classifying Vehicles in Aerial Imagery. URL: https://www.datasciencechallenge.org/challenges/1/safe-passage (дата обращения 15.02.2018).
12. Игловиков В. Британские спутниковые снимки 2: как все было на самом деле. URL: https://habrahabr.ru/company/ods/blog/330118/ (дата обращения 15.02.2018).
13. Dstl Satellite Imagery Feature Detection. URL: https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection (дата обращения 15.02.2018).
14. Кузин А. Второе почетное. Заметки участника конкурса Dstl Satellite Imagery Feature Detection. URL: https://habrahabr.ru/company/avito/blog/325632/ (дата обра-щения 15.02.2018).
15. Lee K. Dstl Satellite Imagery Competition, 1st Place Winner's Interview. URL: http://blog.kaggle.com/2017/04/26/dstl-satellite-imagery-competition-1st-place-winners-interview-kyle-lee/ (дата обращения 15.02.2018).
16. Открытый конкурс на лучшее решение в области создания интеллектуальных тех-нологий дешифрирования видовой аэрокосмической информации. URL: http://fpi.gov.ru/activities/konkurs/spacemap (дата обращения 15.02.2018).
17. NOAA Fisheries Steller Sea Lion Population Count URL: https://www.kaggle.com/c/noaa-fisheries-steller-sea-lion-population-count (дата обращения 15.02.2018).
18. Kaggle: как наши сеточки считали морских львов на Алеутских островах. URL: https://habrahabr.ru/company/ods/blog/337548/ (дата обращения 15.02.2018).
19. Obusek F. Delineating rooftops in ERDAS IMAGINE. URL: https://www.youtube.com/watch?v=HBcPB6Agr5c (дата обращения 15.02.2018).
20. Blundell S., Opitz D. Morris M. Rao R. Feature analyst v5.0. // Proceedings of the ASPRS Annual Conference. 2008. pp. 28-37.
21. Ballard D.H. Generalizing the Hough transform to detect arbitrary shapes. // Pattern recognition. 1981. vol. 13. no. 2. pp. 111-122.
22. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера. 2005. 1072с.
23. Duda R.O., Hart P.E., Stork, D.G., Pattern classification. // John Wiley & Sons. 2000. 680p.
24. van Vliet L.J., Verbeek P.W. Edge localization by MoG filters: Multiple-of-Gaussians. // Pattern Recognition Letters. vol. 15. no. 5. 1994. pp. 485-496.
25. Burt P., Adelson E. The Laplacian pyramid as a compact image code. // IEEE Transactions on communications. vol. 31. no. 4. 1983. pp. 532-540.
26. Емельянов, С. Г., Кудряшов, Е. А., Мирошниченко, С. Ю., Титов, В. С. Методы и системы цифровой обработки аэрокосмических изображений. // Новосибирск, Нау-ка. 2012. 175с.
27. Ватутин Э.И., Мирошниченко С.Ю., Титов В.С. Программная оптимизация опера-тора Собела с использованием SIMD-расширений процессоров семейства x86. // Телекоммуникации, Т. 6. №. 12. 2006. С. 12–16.
28. MapInfo Pro – Desktop GIS. URL: https://www.pitneybowes.com/us/location-intelligence/geographic-information-systems/mapinfo-pro.html (дата обращения 15.02.2018).
29. NextGIS Data. Геоданные в форматах ESRI Shape, ESRI Geodatabase, GeoJSON, Mapinfo Tab, PDF. URL: https://data.nextgis.com/ru/ (дата обращения 15.02.2018).
Опубликован
2018-11-30
Как цитировать
Мирошниченко, С. Ю., Титов, В. С., Дремов, Е. Н., & Мосин, С. А. (2018). Векторизация прямоугольных пространственных объектов на аэрокосмических изображениях с использованием преобразования Хафа. Труды СПИИРАН, 6(61), 172-196. https://doi.org/10.15622/sp.61.7
Раздел
Искусственный интеллект, инженерия данных и знаний
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
